في تطور تقني لافت قد يحدث تغييرًا جذريًا في بنية أنظمة الذكاء الاصطناعي، أعلنت شركة DeepSeek عن تطوير تقنية مبتكرة تحمل اسم Engram، تستهدف تقليل الاعتماد على الذاكرة عالية النطاق (HBM)، والتي تعد من أكثر المكونات تكلفة في تشغيل وتدريب نماذج الذكاء الاصطناعي المتقدمة.
ويأتي هذا الابتكار في وقت يشهد فيه العالم تسارعًا كبيرًا في تبني تقنيات الذكاء الاصطناعي التوليدي، ما أدى إلى ارتفاع غير مسبوق في الطلب على وحدات المعالجة الرسومية وشرائح الذاكرة المتقدمة، الأمر الذي تسبب في زيادة تكاليف التشغيل والضغط على البنية التحتية لمراكز البيانات.
فصل المعرفة عن الحسابات.. الفكرة الأساسية لتقنية Engram
تعتمد تقنية Engram على مفهوم جديد نسبيًا في عالم الذكاء الاصطناعي، يقوم على فصل تخزين المعلومات الثابتة عن العمليات الحسابية.
ففي النماذج التقليدية، يتم تحميل المعرفة والبيانات داخل الذاكرة العشوائية السريعة أثناء تنفيذ المهام.. ما يتطلب استخدام ذاكرة باهظة الثمن لضمان السرعة والكفاءة.
أما مع Engram، فيتم تخزين المعرفة الثابتة في وحدات منفصلة.. تسمح للنموذج بالوصول إليها عند الحاجة دون إعادة معالجتها أو تحميلها بشكل كامل داخل الذاكرة العشوائية.
وبهذا الأسلوب، يصبح الذكاء الاصطناعي قادرًا على سحب المعلومات مباشرة دون استهلاك موارد ضخمة من الذاكرة عالية التكلفة.
تقليل الاعتماد على ذاكرة HBM المكلفة
تُعد ذاكرة HBM عنصرًا أساسيًا في تشغيل نماذج الذكاء الاصطناعي الحديثة، لكنها في الوقت نفسه من أكثر المكونات تكلفة وصعوبة في التوافر.
وتكمن أهمية Engram في قدرتها على تقليل الحاجة إلى هذه الذاكرة، من خلال الاستعانة بذاكرة تقليدية أو حلول تخزين أقل تكلفة للوصول إلى المعرفة المخزنة.
هذا التوجه قد يفتح الباب أمام تشغيل نماذج أكبر وأكثر تعقيدًا دون الحاجة إلى استثمارات ضخمة في البنية التحتية، كما قد يساهم في تخفيف الضغط على سلاسل توريد شرائح الذاكرة عالميًا.
كفاءة أعلى وأداء أكثر استقرارًا
وفقًا لما تم الإعلان عنه، أظهرت التجارب الأولية لتقنية Engram تحسنًا ملحوظًا في كفاءة تشغيل نماذج الذكاء الاصطناعي.. خاصة تلك التي تعتمد على كميات ضخمة من المعرفة الثابتة.
فبدلًا من استهلاك الذاكرة العشوائية في تخزين البيانات، يمكن تخصيص الموارد الحسابية لمعالجة المهام الأكثر تعقيدًا.. ما ينعكس إيجابًا على الأداء والاستجابة.
كما تساعد التقنية في التعامل مع السياقات الطويلة والنصوص المعقدة، دون التأثير الكبير على استهلاك الذاكرة.. وهو ما يُعد تحديًا رئيسيًا في نماذج الذكاء الاصطناعي الحالية.
انعكاسات محتملة على سوق التكنولوجيا
في حال تم اعتماد تقنية Engram على نطاق واسع، قد تشهد صناعة الذكاء الاصطناعي تغييرات جوهرية، أبرزها انخفاض الطلب على الذاكرة عالية التكلفة، وتراجع تكاليف تشغيل مراكز البيانات، بالإضافة إلى تمكين الشركات الناشئة والمؤسسات الصغيرة من الدخول بقوة إلى هذا المجال دون الحاجة لاستثمارات ضخمة.
كما قد يسهم هذا الابتكار في تسريع وتيرة انتشار تطبيقات الذكاء الاصطناعي في قطاعات متعددة، مثل التعليم، والرعاية الصحية.. والخدمات المالية، والصناعة، خاصة في الدول التي تواجه تحديات في الوصول إلى أحدث تقنيات العتاد.
خطوة نحو مستقبل أكثر استدامة للذكاء الاصطناعي
يمثل تطوير Engram خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي أكثر كفاءة واستدامة.. من خلال تقليل استهلاك الموارد المكلفة وتحسين إدارة الذاكرة.
ومع استمرار الأبحاث والتجارب، قد تصبح هذه التقنية نموذجًا جديدًا يُعاد على أساسه تصميم بنية الذكاء الاصطناعي خلال السنوات المقبلة.
وفي ظل المنافسة العالمية المتصاعدة، تؤكد DeepSeek من خلال هذا الابتكار سعيها إلى تقديم حلول تقنية قادرة على إعادة تشكيل مستقبل الذكاء الاصطناعي، ليس فقط من حيث الأداء، بل أيضًا من حيث التكلفة وسهولة التوسع.
